本書是一本使用深度學習算法和TensorFlow來編寫現代自然語言處理應用程序的實踐指南，內容涉及詞嵌入的各種方法、CNN/RNN/LSTM的TensorFlow實現及應用、LSTM在文本生成及圖像標題生成的應用、從統計機器翻譯到神經網絡翻譯以及自然語言處理的未來。通過閱讀本書，你將深入認識NLP（自然語言處理），並學習如何在深度學習NLP任務中應用TensorFlow，以及如何執行特定的NLP任務。
全書共11章，第1章簡要介紹NLP；第2章介紹如何編寫客戶端程序並在TensorFlow中運行它們；第3章介紹如何用神經網絡學習單詞向量或單詞表示；第4章介紹與單詞向量相關的更高級方法；第5章討論捲積神經網絡（CNN）；第6章介紹遞歸神經網絡；第7章介紹長短期記憶網絡；第8章介紹LSTM的應用：文本生成；第9章介紹LSTM的應用：圖像標題生成；第10章介紹有關神經機器翻譯（NMT）模型的應用；第11章重點介紹NLP的現狀和未來趨勢。

深度學習應用所使用的大部分數據是由自然語言處理（NLP）提供的，而TensorFlow是目前比較重要的深度學習框架。面對當今巨量數據流中眾多的非結構化數據，本書詳細講解如何將TensorFlow與NLP二者結合以提供有效的工具，以及如何將這些工具應用於具體的NLP任務。
本書首先介紹NLP和TensorFlow的基礎知識，之後講解如何使用Word2vec及其高級擴展，以便通過創建詞嵌入將詞序列轉換為深度學習算法可用的向量。本書還介紹如何通過捲積神經網絡（CNN）和遞歸神經網絡（RNN）等經典深度學習算法執行句子分類和語言生成等重要的NLP任務。你將學習如何在NLP任務中應用高性能的RNN模型（比如長短期記憶單元），還將認識神經機器翻譯，並實現一個神經機器翻譯器。
通過閱讀本書，你將學到：
NLP的核心概念和各種自然語言處理方法
使用TensorFlow函數創建神經網絡以完成NLP任務
將海量數據處理成可用於深度學習應用的單詞表示
使用CNN和RNN執行句子分類和語言生成
使用最先進的RNN（如長短期記憶）執行復雜的文本生成任務
從頭開始編寫一個真正的神經機器翻譯器
未來的NLP趨勢和創新